ECO ECO

¿Cómo se denomina al componente no observable y sin significado económico del modelo de regresión lineal múltiple?. Regresor. Parámetro. Perturbación aleatoria.

Señala cuál de las siguientes hipótesis garantiza la eficiencia del estimador MCO para estimar el modelo de regresión lineal múltiple: Variables explicativas linealmente independientes. Heterocedasticidad termino de error. Homocedasticidad del término de error.

Como se denomina al siguiente modelo econométrico? lnY = B0 + B1 lnX1 + B2lnX2 + u. Modelo de elasticidad constante. Modelo de coeficientes beta. Modelo en nivel.

¿Qué términos del modelo de regresión lineal múltiple son desconocidos en la población (modelo teórico) y deben de ser estimados a partir de una muestra aleatoria seleccionada de la población?. Los coeficientes (parámetros) del modelo. Las variables explicativas del modelo. El término de error aleatorio del modelo.

¿Qué tipo de estructura muestral es más proclive a generar heterocedasticidad en el término de error del modelo de regresión lineal múltiple?. Las muestras de series temporales. Las muestras de sección cruzada. Las muestras de datos de panel.

Dado el siguiente modelo de regresión lineal: Y = B0 + B1X1 + B2X2 + B3X3 + u Si se sabe que el coef. De correlación (X1,X2)=0.9 y que esta correlación es espuria, se puede afirmar: Que el estimador MCO con seguridad va a ser muy sensible a cambios muéstrales porque hay una alta multicolinealidad en el modelo (casi perfecta). Que el estimador MCO va a ser robusto porque la alta correlación observada entre las variables explicativas no se debe a relaciones de casualidad entre ellas y por tanto el estimador no se va a ver afectado. Que los signos estimados de B1 y B2 van a ser ambos positivos.

¿Cuál de los siguientes problemas impide estimar el modelo de regresión lineal múltiple por MCO?. Heterocedasticidad. Multicolinealidad exacta. Multicolinealidad aproximada.

¿Qué provoca sesgos en la estimación por MCO el modelo de regresión lineal múltiple?. La selección de una muestra no aleatoria para estimar el modelo especificado. La presencia de outliers de la variable dependiente que violan el supuesto de homocedasticidad del termino de error. La inclusión de variables irrelevantes en un modelo que provoca una pérdida de grados de libertad para estimar el modelo con un tamaño muestral dado.

¿Qué provoca la heterocedasticidad en el modelo de regresión lineal múltiple estimado por MCO?. Invalida las técnicas inferenciales habituales en muestras finitas (los contrastes de significatividad individual y conjunta. Impide estimar el modelo por MCO si no se elimina la variable causante de heterocedasticidad. Pérdida de robustez de los parámetros estimados que se vuelven muy sensibles a los cambios muéstrales.

¿En qué caso la transformación logarítmica de las variables explicativas corrige la heterocedasticidad y garantiza la optimalidad del estimador MCO en el modelo de regresión lineal múltiple, suponiendo que se verifican el resto de las hipótesis ideales del MBRL?. Solo en el caso de que se trate de heterocedasticidad de tipo multiplicativa ( es decir, que la varianza del termino error tenga una estructura multiplicativa). La trasformación logarítmica siempre corrige la heterocedasticidad con independencia de la estructura que tenga la varianza no constante del termino de error. La transformación logarítmica nunca corrige la heterocedasticidad. Solo garantiza estimadores MCO consistentes (pero no óptimos).

¿Que implica la hipotesis de especificación correcta, de un doble econométrico?. Que el modelo econométrico especificado no tiene termino de error. Que el modelo especificado no incluye variables explicativas linealmente dependientes. Que el modelo especificado no omite variables relevantes, no incluye variables redundantes y que la forma funcional es correcta.

¿Cuál de las siguientes es una causa frecuente de multicolinealidad en un modelo econométrico?. La inclusión de variables irrelevantes en un modelo que provoca una pérdida de grados de libertad para estimar el modelo con un tamaño muestral dado. La omisión de variables relevantes. La presencia de outliers en las variables explicativas que introducen heterogeneidad en la muestra seleccionada para estimar el modelo especificado.

Sea un modelo de regresión lineal en el que hay heterocedasticidad, pero se verifican las demás hipótesis ideales. Indica cuál de las siguientes afirmaciones es FALSA: El cumplimiento de o no del supuesto de homocedasticidad no afecta a las propiedades del estimador MCO. Para hacer inferencia sobre los parámetros de forma correcta, hay que utilizar errores estándar robustos (HAC). La varianza del estimador MCO no es la mínima varianza posible.

¿Qué diferencia a los datos económicos de los datos utilizados en otras ciencias?. En economía se utilizan datos no experimentales que son fruto de la observación. En economía se utilizan datos experimentales que son controlables. En economía se utilizaban datos de corte transversal.

El modelo de regresión lineal múltiple (MRLM) se denomina modelo básico (MBRL) o modelo clásico (MCRL) porque: Verifica las hipótesis ideales que garantizan la optimalidad del método de estimación por MCO según el teorema de Gauss ʹ Markov. Es el modelo más sencillo que se puede estimar.

¿Cuál es la causa más frecuente de que se observen signos en los parámetros estimados distintos de los signos teóricos (esperados) al estimar el modelo de regresión lineal múltiple por MCO?. La existencia de relaciones de dependencia lineal entre algunas variables explicativas del modelo. La presencia de outliers influyentes algunas variables explicativas del modelo. La especificación errónea de la forma funcional del modelo.

EL MÉTODO DE ESTIMACIÓN POR MÍNIMOS CUADRADOS ORDINARIOS GARANTIZA QUE LOS ESTIMADORES OBTENIDOS SEAN: Lineales, insesgados y eficientes. Óptimos, lineales y eficientes. Lineales, sesgados y eficientes.

DADOS DOS ESTIMADORES INSESGADOS, SIEMPRE PREFERIREMOS AQUEL EN EL QUE SU VARIANZA SEA: El de menor varianza varianza muy alta causa heterocedasticidad. El de mayor varianza. Varianza nula, ya que de esta forma los estimadores serán óptimos.

¿EN CUÁLES DE LAS SIGUIENTES SITUACIONES EL R^2 PODRÍA SER NEGATIVO?. Nunca, siempre alguna variable independiente tratará de explicar algún aspecto del modelo. En algunos modelos de regresión simple. En algunos modelos específicos de regresión a través del origen.

CUANDO SE PRODUCE UN AJUSTE PERFECTO SIGNIFICA QUE: El R cuadrado es igual a “1”. El número de observaciones es igual al número de B a estimar, causando mucha variación e inestabilidad. Se encontró la mejor estimación que se ajusta perfectamente al modelo teórico.

UNA MALA ESPECIFICACIÓN PUEDE CAUSAR HETEROCEDASTICIDAD?. Si, debido a que si no se incorporan las variables relevantes, el termino de error asumirá sus varianzas haciendo que la del mismo no sea constante. No, esto únicamente hace que el modelo sea sesgado, expresándose en una alta significatividad estadística en el término constante. No, ya que esta solo es provocada por la presencia de valores atípicos en las variables incorporadas al modelo.

COMO SE CALCULA EL ÍNDICE DE TOLERANCIA DE UNA VARIABLE EXPLICATIVA. Haciendo una regresión auxiliar de la variable que se quiere estudiar con respecto a las demás variables del modelo y restando a la unidad el coeficiente de determinación de dicha regresión. Con la diferencia de los intervalos de confianza de una variable explicativa a un nivel de confianza seleccionado, para así saber qué tipo de multicolinealidad tenemos. Determinando el coeficiente de la variable explicativa, el cual si es mayor la significatividad económica también lo será, pudiendo determinar el bajo nivel de tolerancia que tiene esta variable ya que con pequeños cambios ocasiona grandes variaciones.

¿CUÁL DE LAS SIGUIENTES SITUACIONES PUEDEN PROVOCAR MULTICOLINEALIDAD EN UN MODELO ECONOMÉTRICO LINEAL?. incorporación de variables explicativas redundantes. Mala especificación funcional detectada por el Test Reset de Ramsey. Especificación incorporando términos de interacción entre variables explicativas cuantitativas.

SI EN UN MODELO DE REGRESIÓN LINEAL MULTIPLE CON EVIDENCIAS ESTADISTICA DE QUE EL TERMINO DE ERROR ES HETEROCEDASTICO, SE DESCONOCE LA ESTRUCTURA DE LA HETEROCEDASTICIDAD: Podemos usar la estimación de las desviaciones típicas robustas a heterocedasticidad de White ya que este filtro permite utilizar los contrastes de significatividad individual y conjunta (t y F) sobre los estimadores obtenidos por mínimos cuadrados ordinarios. El modelo se puede estimar por mínimos cuadrados ponderados ya que este método siempre proporciona estimadores eficientes e insesgados. El modelo se puede transformar en coeficientes beta y estimar por MCO para corregir la heterocedasticidad y obtener estimadores insesgados y eficientes.

6. EL CEO DE UNA FABRICA DE FRASCOS DE VIDRIO, TIENE QUE DECIR QUE TAMAÑO ES EL ADECUADO DE JARRAS TIENE QUE FABRICAR PARA INCREMENTAR SU CIFRA DE VENTAS. DISPONE DE UN ESTUDIO DE MERCADO CON DATOS SOBRE LOS VOLUMENES DE VENTAS POR TAMAÑO DE LOS FRASCOS. ¿EN QUE MEDIDA ESTADISTICA DEBE BASAR EL CEO SU DECISION?. En el volumen de ventas del tamaño modal con independencia de si hay outliers o no. En el volumen de ventas de tamaño mediano si hay outliers en la muestra. En el volumen de ventas del tamaño medio si no hay outliers en la muestra.

EN EL CONTEXTO DEL MODELO BASICO DE REGRESION LINEAL (MBRL) INDICA QUE HIPOTESIS TIENE QUE VERIFICARSE EN LA ESPECIFICACION TEORICA DEL MODELO PARA QUE EL ESTIMADOR MCO SEA INSESGADO: Que el modelo este correctamente especificado y no haya omisión de variables relevantes. Que el modelo este correctamente especificado y no haya inclusión de variables irrelevantes. Que no haya outliers influyentes en la muestra.

Señala la afirmación correcta. La presencia de valores atípicos que sean puntos influyentes en la muestra puede provocar heterocedasticidad en el modelo a estimar. La presencia de valores atípicos que sean puntos influyentes en la muestra puede provocar multicolinealidad en el modelo a estimar. La presencia de valores atípicos que sean puntos palanca en la muestra puede provocar heterocedasticidad en el modelo a estimar.

SEÑALA LA RESPUESTA CORRECTA: Cuando una distribución de frecuencias es asimétrica negativa quiere decir que existen unos pocos valores positivos muy pequeños que tiran de la distribución hacia la derecha. Cuando una distribución de frecuencias es asimétrica negativa quiere decir que existen unos pocos valores positivos muy pequeños que tiran de la distribución hacia la izquierda. Cuando una distribución de frecuencias es asimétrica positiva quiere decir que existen unos pocos valores positivos muy pequeños que tiran de la distribución hacia la izquierda.

EN EL CONTEXTO DEL MODELO BÁSICO DE REGRESIÓN LINEAL (MBRL) Y = XΒ + U, INDICA CUÁL DE LAS SIGUIENTES HIPÓTESIS IDEALES ES NECESARIA PARA QUE EL ESTIMADOR Β �MCO SEA ÓPTIMO: Que el modelo esté correctamente especificado de manera que no incluya ninguna variable explicativa redundante. Que la distribución del término de error sea normal. Que la varianza del término de error sea constante a lo largo de lamuestra.

LA TRANSFORMACIÓN LOGARÍTMICA DE LAS VARIABLES EXPLICATIVAS EN EL MODELO BÁSICO DE REGRESIÓN LINEAL GENERALIZADO: Solo corrige la heterocedasticidad si el modelo original no es lineal y presenta heterocedasticidad multiplicativa. No corrige la heterocedasticidad pero permite recuperar la validez de los estadísticos t y F y para hacer inferencia. Corrige siempre la heterocedasticidad.

¿CUÁL DE LAS SIGUIENTES SITUACIONES PUEDE PROVOCAR MULTICOLINEALIDAD EN LA ESTIMACIÓN POR MCO DE LOS COEFICIENTES DE UN MODELO DE REGRESIÓN LINEAL MÚLTIPLE?: Incorporación de variables explicativas redundantes. Omisión de variables explicativas relevantes. La especificación de formas funcionales cuadráticas.

SI EN UN MODELO HETEROCEDÁSTICO, SE DESCONOCE LA ESTRUCTURA DE LA HETEROCEDASTICIDAD: Ambas son correctas. Podemos usar la estimación de las desviacionestípicasrobustas a heterocedasticidad ya que este filtro permite utilizar los contrastes de significatividad individual y conjunta (t y F) sobre los estimadores obtenidos por mínimos cuadradosordinarios. Las perturbaciones del modelo no son esféricas y estamos en el contexto del Modelo de Regresión Lineal Generalizado.

CUANDO SE INCORPORAN VARIABLES FICTICIAS A UN MODELO ECONOMÉTRICO MEDIANTE EL MODELO DE EFECTOS DIFERENCIALES CON EL ESQUEMA MULTIPLICATIVO: Se alteran las pendientes del modelo de regresión (una o varias, dependiendo de las interacciones cualitativas/cuantitativas que se hayan especificado). Sea altera el término constante del modelo, pero las pendientes no se ven afectadas. Se alteran las pendientes y el termino constante del modelo que siempre es significativo.

LA TRAMPA DE LAS VARIABLES FICTICIAS: Directamente impide estimar el modelo lineal por MCO si no se corrige. Provoca ineficiencia en los estimadores MCO de los coeficientes del modelo si no se corrige. Provoca sesgos en los estimadores MCO de los coeficientes del modelo si no se corrige.

EL MODELO BÁSICO DE REGRESIÓN LINEAL (MBRL) SE DENOMINA " BÁSICO" PORQUE: Verifica 8 hipótesis estructurales ideales y las perturbaciones sonesféricas. Es el más sencillo que se puede construir. Es el que se puede estimar de forma muy básica por MCO.

A PARTIR DE UNA MUESTRA DE CORTE TRASVERSAL DE 100 EMPRESAS EUROPEAS SE HA ESTIMADO, MEDIANTE MCO, UN MODELO DE REGRESIÓN LINEAL MÚLTIPLE PARA ANALIZAR LA RELACIÓN TEÓRICA ENTRE LOS RENDIMIENTOS EMPRESARIALES OBTENIDOS Y UNA SERIE DE VARIABLES EXPLICATIVAS CUANTITATIVAS REPRESENTATIVAS DE SOLVENCIA, ENDEUDAMIENTO E INVERSIÓN Y SE HAN OBTENIDO ESTIMADORES ELIO DE LOS COEFICIENTES. AL OBJETO DE PRESENTAR LOS MISMOS RESULTADOS PARA ENTRAR A COTIZAR EN LA BOLSA DE NUEVA YORK, SE HAN CONVERTIDO LOS DATOS DE LOS BALANCES, EXPRESADOS INICIALMENTE EN EUROS, A DÓLARES AMERICANOS APLICANDO EL TIPO MEDIO DE CAMBIO €/$ DEL ÚLTIMO EJERCICIO ECONÓMICO. ¿CÓMO AFECTARÁ ESTE CAMBIO SOBRE LA MUESTRA, A LA ESTIMACIÓN POR MCO DEL MISMO MODELO A PARTIR DE LA MUESTRA EXPRESADA EN DÓLARES AMERICANOS?. Se producirán cambios en los coeficientes estimados, los errores estándar, en los intervalos de confianza y en los estadísticos t y F, pero dichos cambios no afectarán al impacto de las distintas variables, ni a los resultados de los contrastes de significatividad individual y conjunta. Sólo cambiará el coeficiente de terminación del nuevo modelo, por lo que habrá que considerar el coeficiente de determinación lineal ajustado para analizar la bondad de ajuste del nuevo modelo. A priori, no se puede saber cuáles son los efectos sobre los estimadores MCO del modelo de regresión lineal múltiple de cambios de escala en las variablesexplicativas.

LA FUNCIÓN DE CONSUMO KEYNESIANA ESTIMADA EN LA PREGUNTA Nº 11 CORRESPONDE A LA ESTIMACIÓN DE UNA ESPECIFICACIÓN TEÓRICA QUE SE DENOMINA: Modelo de elasticidad constante. Modelo en nivel de renta disponible. Modelo en coeficientes beta.

INDICA QUÉ TIENE QUE VERIFICARSE EN LA ESPECIFICACIÓN TEÓRICA DEL MODELO PARA QUE EL ESTIMADOR Β �MCO SEA INSESGADO: Que modelo esté correctamente especificado de manera que no se omita ninguna variable explicativa relevante. Que modelo esté correctamente especificado de manera que no se incorpore ninguna variable explicativa redundante. Que no haya outliers influyentes en la muestra.

LA TRANSFORMACIÓN LOGARÍTMICA DE LAS VARIABLES EXPLICATIVAS EN EL MODELO BÁSICO DE REGRESIÓN LINEAL: Solo corrige la heterocedasticidad si el modelo original no es lineal y presenta heterocedasticidad multiplicativa. Corrige siempre la heterocedasticidad. No corrige la heterocedasticidad pero permite recuperar la validez de los estadísticos.

¿CUÁL DE LAS SIGUIENTES SITUACIONES PUEDEN PROVOCAR MULTICOLINEALIDAD EN UN MODELO ECONOMÉTRICO LINEAL?: Incorporación de variables explicativas redundantes. Variables explicativas cuantitativas con elevadas varianzas. Omisión de variables explicativas relevantes.

SI EN UN MODELO HETEROCEDÁSTICO, SE DESCONOCE LA ESTRUCTURA DE LA HETEROCEDASTICIDAD: a) b) c). Podemos usar la estimación de las desviacionestípicasrobustas a heterocedasticidad de White ya que este filtro permite utilizar los contrastes de significatividad individual y conjunta (t y F) sobre los estimadores obtenidos pormínimos cuadrados ordinarios. No se puede estimar y hay que volver a especificarlo introduciendo nuevas variables explicativas, eliminado el término constante para no caer en la trampa de las variables ficticias. Ambas son correctas.

CUANDO SE INCORPORAN VARIABLES FICTICIAS A UN MODELO ECONOMÉTRICO MEDIANTE EL MODELO DE EFECTOS ESPECÍFICOS CON EL ESQUEMA ADITIVO: Se incorporan tantas dummies como categorías tenga el atributo categorizado mediante la dummy, pero se elimina el término constante del modelo para evitar caer en la trampa de las ficticias. Se incorporan tantas dummies como categorías tenga el atributo categorizado mediante la dummy, menos una categoría. Ninguna de las anteriores es correcta.

SEÑALA LA AFIRMACIÓN CORRECTA: La presencia de valores atípicos que sean puntos influyentes en la muestra, puede provocar heterocedasticidad en el modelo a estimar por MCO. La presencia de valores atípicos que sean puntos palanca en la muestra puede provocar heterocedasticidad en el modelo a estimar porMCO. La presencia de valores atípicos que sean puntos influyentes en la muestra, puede provocar multicolinealidad en el modelo a estimar por MCO.

INDICA CUÁL DE LAS SIGUIENTES AFIRMACIONES ES CORRECTA: En el MBRL la variable dependiente siempre es una variable aleatoria. En el MBRL la variable dependiente puedes no ser un a variable aleatoria si se incumple alguna de las hipótesis básicas. En el MBRL la variable dependiente siempre es una variable determinista.

SEÑALA LA AFIRMACIÓN CORRECTA: Ambas son erróneas. La autocorrelación es un problema característico de muestras de corte transversal. La heterocedasticidad en problema característico de muestras de series temporales.

LA TRAMPA DE LAS VARIABLES FICTICIAS: Causa heterocedasticidad imperfecta en el modelo básico de regresión lineal múltiple (MBRL). Causa multicolinealidad perfecta en el MBRL. Ambas son correctas.

SI LOS FINES QUE SE PERSIGUEN CON LA CONSTRUCCIÓN DEL MODELO SON PREDICTIVOS, EL PROBLEMA DE LA MULTICOLINEALIDAD IMPERFECTA NO ES TAN RELEVANTE PORQUE: La multicolinealidad imperfecta permite estimar el modelo por MCO. La capacidad explicativa conjunta de las variables no se ve alterada por causa de la multicolinealidad imperfecta y, por tanto, su capacidad predictiva tampoco. El enunciado no es correcto, ya que la pérdida de robustez de los estimadores MCO por presencia de multicolinealidad imperfecta en el modelo provoca que las predicciones puntuales sean muy inestables y que varíen de una muestra a otra.

Cómo se denomina a las variables que se utilizan para corregir el sesgo del estimador MCO del modelo de regresión lineal múltiple (MRL) mediante el procedimiento de solución por sustitución de variables omitidas?. Variables proxy. Variables ficticias. Variables instrumentales.

¿Sobre la evidencia empírica proporcionada por qué contraste decidiremos aplicar Mínimos cuadrados ponderados para corregir la heterocedasticidad?. Contraste de Breusch- Pagan. Contraste de White. Contraste Reset de Ramsey.

Las consecuencias de la multicolinealidad aproximada sobre el MRLB cuando se utiliza método de estimación por mínimos cuadrados ordinarios son: Estimadores de los parámetros ELIO pero poco robustos (es decir, muy sensibles cambios en los valores muestrales). Estimadores sesgados e ineficientes. Estimadores de los parámetros aproximadamente lineales, pero insesgados y eficientes.

En el análisis econométrico, el Principio de Parsimonia establece: Los fundamentos metodológicos que deben guiar la transición del modelo teórico al empírico. Que los bienes complementarios perfectos no son rivales en el consumo. Que los bienes sustitutivos son rivales en el consumo porque satisfacen las mismas necesidades.

En un modelo ANCOVA de efectos diferenciales con esquema aditivo: Se generará un efecto diferenciado sobre el término independiente del modelo. Se modifica la pendiente de alguna de las variables explicativas del modelo por interacción de variable dummy con variable cuantitativa. Se incorporan términos de interacción entre las variables ficticias del modelo.

Tal y como se ha explicado en el curso el Contraste Reset de Ramsey se utiliza para contrastar: Errores de especificación por mala especificación funcional. Errores de especificación por inclusión de variables redundantes. Errores de especificación por omisión de variables revelvantes.

El método de estimación por mínimos cuadrados ordinarios (MCO): Proporciona estimadores ELIO siempre que se trabaje en el contexto del modelo básico de regresión lineal (MBRL). Proporciona estimadores ELIO siempre, con independencia de que se trabaje en el contexto del modelo básico del modelo de regresión lineal generalizado (MRLG). Es el método de estimación más básico que se puede aplicar en econometría.

Señala la respuesta correcta: Los valores de los parámetros de un modelo econométrico siempre son observables en la muestra y tienen un claro significado económico. El término de error de un modelo econométrico siempre es observable en la población y tiene un claro significado económico. Los valores de la variable respuesta en un modelo econométrico, siempre son observables en la población y tienen un claro significado económico.

La presencia de outliers en la muestra: Genera una situación de alto riesgo de heterocedasticidad cuando se trata de puntos influyentes. Genera una situación de alto riesgo de heterocedasticidad tanto cuando se trata de puntos influyentes como de punto palanca. Genera una situación de alto riesgo de heterocedasticidad cuando se trata de puntos palanca.